在未知分布下隐私地检测变化
统计理论
2020-10-21 v2 数据结构与算法
机器学习
统计理论
摘要
变点检测问题旨在识别数据流中的分布变化。越来越多地，变点检测工具被应用于数据可能高度敏感且需要形式化隐私保证的场景，例如基于医院记录识别疾病暴发，或物联网设备检测家庭内的活动。差分隐私已成为一种强大的技术，能在防止个体信息泄露的同时实现数据分析。先前大多数关于变点检测的工作——包括该问题仅有的隐私算法——都要求完全已知变化前与变化后的分布。然而，这一假设对于许多实际关注的应用并不现实。本工作开发了差分隐私算法，用于在数据分布未知时解决变点问题。此外，数据可能采样自随时间平滑变化的分布，而非固定的变化前与变化后分布。我们将算法应用于检测此类数据流中线性趋势的变化。最后，我们也提供了实验结果为算法性能提供经验验证。
引用
@article{arxiv.1910.01327,
title = {Privately detecting changes in unknown distributions},
author = {Rachel Cummings and Sara Krehbiel and Yuliia Lut and Wanrong Zhang},
journal= {arXiv preprint arXiv:1910.01327},
year = {2020}
}